[摘要]提出一种融合随机概率密度函数的目标无线定位算法RPDFTL（random probability density functionbased target localization）.RPDFTL的基本思想是，采用一系列带权粒子来预测户外移动对象位置的后验分布空间，每个新时刻根据传感器的测量数据来权衡和定位目标.模拟实验结果表明，与现有的几种定位算法相比，结合RPDFTL算法能够以較小的代价取得更好的定位效果.
　　[关键词]无线传感器网络；目标定位；随机概率密度函数；覆盖问题
　　1.前言
　　本文研究集中于户外移动对象的定位算法，提出一种融合随机概率密度函数的目标定位方法RPDFTL。而相较于以往的研究方法，本文所设定的RPDFTL定位方法在对物体位置进行定位时，选择的是误差容忍方式对其进行存储、传递，进而使得物体位置信息集中后，其数据误差是可以控制的。
　　2.RPDFTL的设计
　　RPDFTL是一种融合随机概率密度函数的户外移动对象定位方法。该方法有效的将sequential Monte Carlo与Bayesian inference进行融合，进而实现能够通过对状态空间采样得到的随机粒子来表示位置信息的后验概率，随后按照测量数据对粒子权重进行计算，进而估计其位置信息。
　　本文中将户外移动对象在t时刻所处的位置以t表示，将从当前开始时刻截止当前时刻得到的观测序列{y₀，y₁，…，y_t}记为y_0：ty_0：t，其中对应于物体位置状态的序列为{x₀，x₁，…，x_t}。本文主要研究了在动态状态下，随机滤波问题：
　　x_t+1=F（x_t，N_t） （1）
　　上述公式1）中阐述了其所处状态，也就是状态方程，对于状态转移概率p（x_t+1|x_t）进行了有效描述，如果环境中存在着噪声影响则其条件概率情况p（y_t|x_t），G为非线性的测量函数。N_t、V_t独立动态向量则表示了随机白噪声序列。N_t为状态噪声，而V_t则表示了测量噪声。图1对于物体移动的已知速度范围[V_-，V₊]以及其具有的最大偏移角度θ时，其能够实现的采样范围A_S进行了描述，即图中阴影部分所表示的区域，同时在t时刻物体所处的位置分布是满足均匀分布的，并且：（2）
　　上式中，L_i、L_j分别表示了Buf距离最近的两个位置数据，需要注意的是并不是说明那个两个属于连续节点，在t-1时刻，可将物位置近似表示为下式：
　　3.实验
　　本文在无线传感器网络模拟器上展开了模拟实验，其链接层标准协议配备为MAC802.15.4。
　　3.1目标运动速率对性能的影响
　　图2（a）对于当户外移动对象以三种不同速率进行运动时，算法精确度受到的影响，分析可得，随着物体移动速率的不断增加，RPDFTL、MSL两种算法的定位准确度是下降的，Centroid算法则没有受到太多影响。分析其原因，由于随着速率的增加，前两种算法预测范围随之增加，因此，其定位误差随之增加。整体而言，RPDFTL的算法精确度要更高一些。而如果在低速率的状态下，该算法精确度要高于Centroid算法的50%，相对于MSL提高幅度将近35%。图2（b）则表示了RPDFTL算法在误差容忍参数s下，其定位精度受到的影响，分析可得，如果将误差设置在一个较小的范围内即s<10m时，则能够得出通过引入s能够大幅降低网络通信量。
　　4结语
　　本文提出了一种融合随机概率密度函数的户外移动对象定位方法RPDFTL，RPDFTL算法引入误差容忍，使得能够以较小的精确度为代价，实现通信流量的大幅减少，同时实现了WSN网络寿命的延长。经过实验能够得出，本文的目的跟踪框架以及定位算法，在定位精度方面都优于现有算法。